用Attention玩转CV，一文总览自注意力语义分割进展(11)_机器之心专栏作者：李夏本文总结近两年

EM 本身保证收敛到似然函数的局部最大值，因此 EM 算法迭代而出的描述子和映射关系，相对于简单地用网络学习到的，更能保证满足性质1；性质2可以通过设置较小的来满足；而性质3，则可通过良好的描述子迭代初始化来做到。EMANet 的解读见笔者的另一篇文章：期望最大化注意力网络 EMANet 详解。

图13/13

此处，我们可以考虑下 EMANet 和 A2Net 的关联。将公式(4)摘抄下来：

如果我们将其中的和的参数共享，并将和记作。那么，和无异；而就相当于和迭代一次。因此，A2-Block 可以看作 EMAU 的特殊例子，它只迭代一次 EM，且由反向传播来更新。而 EMAU 迭代步，用滑动平均来更新。

在实验中，将 Nonlocal、A2Net 和 EMANet 中的模块在PASCAL VOC上作简单的对比实验。EMANet 仅迭代一次时分数与 Nonlocal 和 A2Net 无显著差异，符合上文对 Nonlocal 和 A2Net 的分析和对比。而 EMANet 在迭代多次时，性能可以有显著的提升。